1.一种多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，包括：获取数据集；

根据所述数据集，构建基于L21‑范数度量函数的非负矩阵分解模型；

根据所述数据集，构建基于低维特征的多约束自适应图学习模型，所述多约束包括稀疏约束和局部约束；

基于自适应图结构，构建拉普拉斯图正则化项；

根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项，构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数；

采用迭代优化的方法求解所述目标函数，当迭代次数到达阈值时，输出目标函数的解。

2.根据权利要求1所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述数据集包括但不限于人脸数据图像、饮品属性数据、动物属性数据和疾病数据。

3.根据权利要求1所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述根据所述数据集，构建基于L21‑范数度量函数的非负矩阵分解模型，具体包括：根据所述数据集，构建基于L21‑范数度量函数的非负矩阵分解模型的目标函数：minφ(A,S)＝||X‑AS||2,1

s.t.A≥0,S≥0

m×n m×r

其中，X＝[x1,x2,...,xn]∈R 表示非负数据矩阵，A＝[a1,a2,...,ak]∈R 和S＝[s1,r×ns2,...,sn]∈R 分别表示为基矩阵和系数矩阵，||·||2,1表示矩阵的L21‑范数；对于任意m×n i矩阵Y∈R ，L21‑范数定义为 其中Y 表示矩阵Y的行向量，T m×m

根据矩阵属性||Y||2,1＝tr(Y UY)，U∈R 表示对角矩阵，其对角元素为 tr(·)表示矩阵的迹操作。

4.根据权利要求3所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述根据所述数据集，构建基于低维特征的多约束自适应图学习模型，具体包括：根据所述数据集，构建基于低维特征的自适应图学习模型的目标函数：s.t.W≥0

n×n n×1

其中，W＝[w1,w2,...,wn]∈R 为重构系数矩阵，wi＝[wi1,wi2,...,win]∈R 表示第i列向量，其元素wij用于表示低维数据Si与Sj之间连接边的权值，其值越大表示Si与Sj之间的关系越紧密，相似性越大；

获取稀疏约束的目标函数：

其中 ，| |·| |1 表 示 L1 ‑ 范 式 ，是 矩阵 各 个 元素 的 绝 对值 之 和 ，获取局部约束的目标函数：其中，⊙表示矩阵元素点乘操作，矩阵Dist表示样本数据间的距离权值矩阵，值越大，样本数据间距离越大，矩阵Dist的元素定义为如下：其中，σ为可调节参数，+∞表示无穷大数值，若xi与xj属于近邻样本，Distij越小；

根据所述数据集、稀疏约束的目标函数和局部约束的目标函数，构建基于低维特征的多约束自适应图学习模型的目标函数：s.t.W≥0

其中，λ为平衡参数。

5.根据权利要求4所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述基于自适应图结构，构建拉普拉斯图正则化项，具体包括：基于自适应图结构，构建拉普拉斯图正则化项：

其中，L＝D‑W，L为拉普拉斯矩阵，D为对角矩阵，其中对角线的元素为

6.根据权利要求5所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项，构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数，具体包括：根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项，构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数：T

minψ(A,S,W)＝||X‑AS||2,1+αtr(SLS)+β||S‑SW||2,1+λ||Dist⊙W||1s.t.A≥0,S≥0,W≥0其中，α≥0，β≥0，λ≥0，α、β和λ分别为三项平衡参数。

7.根据权利要求6所述的多约束自适应图学习的鲁棒非负矩阵分解方法，其特征在于，所述采用迭代优化的方法去求解所述目标函数，具体包括：固定所述目标函数中的两个变量并更新另一个变量，直到目标函数值达到收敛，分别得到更新后的三个变量：n×n i

其中，Q∈R 表示对角线矩阵，其对角线元素为Qii＝1/(||(S‑SW) ||2+ε)。

8.一种基于权利要求1至7任一项所述的多约束自适应图学习的鲁棒非负矩阵分解方法的系统，其特征在于，包括：数据集获取模块，用于获取数据集；

非负矩阵分解模型构建模块，用于根据所述数据集，构建基于L21‑范数度量函数的非负矩阵分解模型；

多约束自适应图学习模型构建模块，用于根据所述数据集，构建基于低维特征的多约束自适应图学习模型，所述多约束包括稀疏约束和局部约束；

拉普拉斯图正则化项构建模块，用于基于自适应图结构，构建拉普拉斯图正则化项；

多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数构建模块，用于根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项，构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数；

目标函数求解模块，用于采用迭代优化的方法求解所述目标函数，当迭代次数到达阈值时，输出目标函数的解。

9.根据权利要求8所述的多约束自适应图学习的鲁棒非负矩阵分解系统，其特征在于，所述数据集包括但不限于人脸数据图像、饮品属性数据、动物属性数据和疾病数据。